OmniAgent: 音声誘導型アクティブ知覚による音声・動画理解
Research Paper#Artificial Intelligence, Audio-Visual Understanding, Active Perception, Large Language Models🔬 Research|分析: 2026年1月3日 18:32•
公開: 2025年12月29日 17:59
•1分で読める
•ArXiv分析
本論文は、受動的な応答生成から能動的なマルチモーダル探求へと移行する、音声・視覚理解のための新しいアプローチであるOmniAgentを紹介しています。既存のオムニモーダルモデルの限界に対処するため、動的計画と粗から精への音声誘導型知覚パラダイムを採用しています。エージェントは、専門的なツールを戦略的に使用し、タスク関連のキューに焦点を当て、ベンチマークデータセットで大幅なパフォーマンス向上を実現しています。